ECG-QGAN:基于量子生成对抗网络的心电图生成式信息系统

1

作者 瞿治国 陈韦龙 +2 位作者 孙乐 刘文杰 张彦春 《计算机研究与发展》 北大核心 2025年第7期1622-1638,共17页

据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,E... 据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,ECG)临床数据.作为一门新兴学科,量子计算可通过利用量子叠加和纠缠特性,能够探索更大、更复杂的状态空间,进而有利于生成同临床数据一样的高质量和多样化的ECG数据.为此,提出了一种基于量子生成对抗网络(QGAN)的ECG生成式信息系统,简称ECG-QGAN.其中QGAN由量子双向门控循环单元(quantum bidirectional gated recurrent unit,QBiGRU)和量子卷积神经网络(quantum convolutional neural network,QCNN)组成.该系统利用量子的纠缠特性提高生成能力,以生成与现有临床数据一致的ECG数据,从而可以保留心脏病患者的心跳特征.该系统的生成器和判别器分别采用QBiGRU和QCNN,并应用了基于矩阵乘积状态(matrix product state,MPS)和树形张量网络(tree tensor network,TTN)所设计的变分量子电路(variational quantum circuit,VQC),可以使该系统在较少的量子资源下更高效地捕捉ECG数据信息,生成合格的ECG数据.此外,该系统应用了量子Dropout技术,以避免训练过程中出现过拟合问题.最后,实验结果表明,与其他生成ECG数据的模型相比,ECG-QGAN生成的ECG数据具有更高的平均分类准确率.同时它在量子位数量和电路深度方面对当前噪声较大的中尺度量子(noise intermediate scale quantum,NISQ)计算机是友好的. 展开更多

关键词 生成式信息系统 心电图 量子生成对抗网络 量子双向门控循环单元 量子卷积神经网络

在线阅读 下载PDF 职称材料

基于多维复向特征融合与CNN-GRU的转子不平衡量识别方法

2

作者 王坚坚 廖与禾 +1 位作者 杨磊 薛久涛 《中国机械工程》 北大核心 2025年第9期1905-1915,共11页

现有的无试重不平衡量识别算法采用优化算法框架,通过大量迭代运算以逐步逼近最优解,这类策略普遍收敛速度迟缓且易陷入局部极值。为此,利用神经网络直接学习并解析不平衡振动响应与不平衡量之间的复杂映射关系,进而实现不平衡量的高精... 现有的无试重不平衡量识别算法采用优化算法框架,通过大量迭代运算以逐步逼近最优解,这类策略普遍收敛速度迟缓且易陷入局部极值。为此,利用神经网络直接学习并解析不平衡振动响应与不平衡量之间的复杂映射关系,进而实现不平衡量的高精度识别。通过转子动力学模型进行仿真,构建了带标签的足量不平衡振动数据集。针对不平衡数据的多维复向特性,设计了一种特征融合机制。核心算法层面,结合卷积神经网络(CNN)与门控循环单元(GRU)构建了CNN-GRU混合模型,其中,CNN部分负责从振动数据中提取局部空间特征,GRU负责捕捉振动数据中的时序依赖关系,通过整合空间与时间域的信息,显著增强了模型的泛化能力和识别精度。测试集数据和实验台实验的不平衡量识别结果表明,所提方法可以准确预估识别转子的不平衡量,为无试重现场动平衡提供迅速准确的指导。 展开更多

关键词 转子 无试重 不平衡量识别 卷积神经网络-门控循环单元 多维复向特征融合

在线阅读 下载PDF 职称材料

基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法 被引量：7

3

作者 肖遥 向家伟 +1 位作者 汤何胜 任燕 《机电工程》 CAS 北大核心 2024年第9期1517-1528,共12页

在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息... 在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。 展开更多

关键词 液压传动系统 液压防水阀 多传感器 滑动时间窗 TEAGER能量算子 熵权法 卷积神经网络-双向门控循环单元-自注意力机制模型

在线阅读 下载PDF 职称材料

基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究 被引量：7

4

作者 陈以浩 李明伟 +2 位作者 安小刚 王宇田 徐瑞喆 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2024年第1期110-118,共9页

针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元... 针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。 展开更多

关键词 大坝变形预测 卷积神经网络 门控循环单元 蝙蝠算法 量子力学 混沌理论 非线性动力系统模拟与预测 深度学习

在线阅读 下载PDF 职称材料

基于CNN-aGRU融合模型的尾矿坝浸润线预测方法 被引量：10

5

作者 阮顺领 韩思淼 +2 位作者 张宁宁 顾清华 卢才武 《中国安全科学学报》 CAS CSCD 北大核心 2023年第S01期119-127,共9页

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联... 为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 2几项关键指标上,分别达到0.01391562、0.005432、0.000045、0.006702、0.998334,实现对浸润线变化态势快速精准预测。 展开更多

关键词 卷积神经网络(CNN) 门控循环单元(GRU) 尾矿坝 浸润线 自适应矩估计权重衰减优化算法(AdamW)

在线阅读 下载PDF 职称材料

基于量子加权门限重复单元神经网络的性态退化趋势预测 被引量：4

6

作者 李锋 向往 +1 位作者 王家序 汤宝平 《振动与冲击》 EI CSCD 北大核心 2019年第1期123-129,158,共8页

提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network,QWGRUNN)的旋转机械性态退化趋势预测方法。采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测... 提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network,QWGRUNN)的旋转机械性态退化趋势预测方法。采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测。QWGRUNN在门限重复单元(Gated Recurrent Unit,GRU)基础上引入量子位来表示网络权值和活性值并构造量子相移门以实现权值量子位和活性值量子位的更新,改善了网络泛化能力,进而提高了所提出的性态退化趋势预测方法的预测精度;采用与自身结构相适应的动态学习参数,改善了网络收敛速度,进而提高了所提出的预测方法的计算效率。滚动轴承性态退化趋势预测实例验证了该方法的有效性。 展开更多

关键词 量子加权门限重复单元神经网络 量子计算 排列熵 趋势预测 旋转机械

在线阅读 下载PDF 职称材料

基于门控权重单元的多变量时间序列预测 被引量：6

7

作者 张冬梅 李金平 +2 位作者 李江 余想 宋凯旋 《湖南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第10期105-112,共8页

多变量时间序列各变量间依赖性较强,数据变化趋势不明显,预测难度高.传统研究采用带门控机制的循环神经网络及变体进行预测,但序列间存在相互依赖关系,突变数据段建模预测不精确.基于信息熵,本文提出一种新的改进门控权重单元,利用信息... 多变量时间序列各变量间依赖性较强,数据变化趋势不明显,预测难度高.传统研究采用带门控机制的循环神经网络及变体进行预测,但序列间存在相互依赖关系,突变数据段建模预测不精确.基于信息熵,本文提出一种新的改进门控权重单元,利用信息熵技术量化数据序列的变化程度,动态调整权重矩阵刻画数据的变化趋势.基于4个公开数据集分别进行实验,实验结果表明新模型比传统循环神经网络模型具有更好的预测性能. 展开更多

关键词 多变量时间序列 门控机制 循环神经网络 门控权重单元 信息熵

在线阅读 下载PDF 职称材料

面向短时地铁客流量预测的混合深度学习模型 被引量：8

8

作者 彭桐歆 韩勇 +1 位作者 王程 张志浩 《计算机工程》 CAS CSCD 北大核心 2022年第5期297-305,共9页

城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问... 城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题,提出一种混合深度学习模型ResGRU_(Metro),将卷积神经网络、残差单元和门控循环单元相结合,捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题,引入面向短时交通流量预测的加权平方误差,根据交通客流量的大小为预测误差赋予不同权重,并加大对交通客流量峰值处误差的惩罚,使神经网络在反向传播时更加关注峰值处的预测和误差,从而提升交通客流量峰值的预测精度。此外,通过耦合天气、空气质量等外部因子,改善模型的整体预测性能,增强模型的稳定性。实验结果表明,相比LR、PSVR、CNN等典型的预测模型,ResGRU_(Metro)模型有更高的预测精度,能够准确预测交通客流量的峰值。 展开更多

关键词 智能交通 短时客流量预测 时空特征 残差神经网络 门控循环单元 加权平方误差

在线阅读 下载PDF 职称材料

基于量子加权GRU神经网络的电力系统短期负荷预测 被引量：12

9

作者 王凇瑶 张智晟 《电力系统及其自动化学报》 CSCD 北大核心 2022年第1期1-7,共7页

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型。首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性... 为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型。首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力。然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权重矩阵进行负荷预测。最后,通过实际电网算例进行仿真,仿真结果表明,本文提出的粒子群优化量子加权门控循环单元神经网络预测模型的预测精度较高。 展开更多

关键词 短期负荷预测 量子加权门控循环单元 神经网络 粒子群优化算法 电力系统

在线阅读 下载PDF 职称材料

基于Bagging的双向GRU集成神经网络短期负荷预测 被引量：14

10

作者 王康 张智晟 +1 位作者 撖奥洋 于立涛 《电力系统及其自动化学报》 CSCD 北大核心 2021年第10期24-30,共7页

为了提高电力系统短期负荷的预测精度,提出了一种基于Bagging算法的双向加权门控循环单元GRU(gated recurrent unit)集成神经网络短期负荷预测模型。对双向门控循环单元BiGRU(bidirectional gated recurrent unit)神经网络两个方向的隐... 为了提高电力系统短期负荷的预测精度,提出了一种基于Bagging算法的双向加权门控循环单元GRU(gated recurrent unit)集成神经网络短期负荷预测模型。对双向门控循环单元BiGRU(bidirectional gated recurrent unit)神经网络两个方向的隐含层状态进行加权求和处理,使得对负荷点的预测可以同时考虑过去和未来的信息。通过Bagging算法对双向加权GRU神经网络进行集成处理来提高模型的泛化能力。按照某地区真实负荷数据,并与反向传播BP(back propagation)神经网络、长短期记忆LSTM(long short-term memory)神经网络、单向GRU神经网络和双向GRU神经网络进行对比可以得出,所提模型有更好的预测效果。 展开更多

关键词 短期负荷预测 双向加权门控循环单元神经网络 BAGGING算法 电力系统 预测精度

在线阅读 下载PDF 职称材料

基于IPSO算法优化GRU神经网络的燃气负荷预测 被引量：10

11

作者 海文龙 王亚慧 王怀秀 《传感器与微系统》 CSCD 北大核心 2023年第2期126-129,共4页

燃气负荷具有非平稳性、非线性等特点,机理建模困难。为寻求更准确的燃气负荷预测方法,提出一种基于改进粒子群(IPSO)算法优化门控循环单元(GRU)的燃气负荷预测模型。首先,确定了模型的结构与输入变量;然后,针对长短期记忆(LSTM)神经网... 燃气负荷具有非平稳性、非线性等特点,机理建模困难。为寻求更准确的燃气负荷预测方法,提出一种基于改进粒子群(IPSO)算法优化门控循环单元(GRU)的燃气负荷预测模型。首先,确定了模型的结构与输入变量;然后,针对长短期记忆(LSTM)神经网络复杂度高,训练速度慢的问题,提出采用相较于LSTM单元结构更加简单的GRU作为预测模型,并采用粒子群优化(PSO)算法对GRU网络参数进行优化,引入非线性惯性权重对PSO算法进行改进。实验表明:所提模型相对误差为1%,精度高于传统LSTM与GRU模型。 展开更多

关键词 燃气负荷预测 粒子群优化算法 长短期记忆神经网络 非线性惯性权重 门控循环单元

在线阅读 下载PDF 职称材料

融合SDE算法和双路加权门控循环神经网络的股价走势预测模型 被引量：2

12

作者 吴彬 张勇 唐颖军 《小型微型计算机系统》 CSCD 北大核心 2021年第7期1371-1376,共6页

关于股票价格走势的预测,传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测,很难准确把握股价这种时间序列数据的非线性和非平稳性等特征,从而使预测精度受限.融合SDE算法与加权BiGRU网络的优化预测模型,先使用SDE... 关于股票价格走势的预测,传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测,很难准确把握股价这种时间序列数据的非线性和非平稳性等特征,从而使预测精度受限.融合SDE算法与加权BiGRU网络的优化预测模型,先使用SDE全局寻优网络的结构参数,求得最优初始权值、阈值以及权重系数,再将优化的参数应用到改良的加权BiGRU网络模型中进行预测.优化的预测模型能够有选择的考虑过去和未来时间点对当前时刻数据的影响,而且能有效避免局部最优值以及网络的长程依赖问题.实验结果表明,优化的预测模型与其他传统神经网络预测模型相比较,预测误差得到显著降低,预测准确度得到明显增强. 展开更多

关键词 自适应差分进化算法 双路加权门控循环单元 循环神经网络 数据预测模型 股价走势

在线阅读 下载PDF 职称材料